Innocent M.

Proposition et validation d’architecture logicielle IoT (Edge et cloud Computing)

Réalisation de 5 prototypes (PoC)

Management d’une équipe de dizaines de collaborateurs

Participation aux différents salons liées à l’IoT et IA

Participation au déploiement d’un cluster Kubernetes on-premise

Proposition et suivi de projets industriels avec l’école locale (Polytech Grenoble)

Proposition d’une architecture Edge Computing intégrant l’Intelligence Artificielle

Accompagner les étudiants dans la complétion de leurs parcours en les guidant pour

valider chaque projet.

— Motiver les étudiants dans les périodes de creux, rassurer face aux doutes, donner de la perspective sur l’aboutissement de cette formation et pousser l’étudiant à donner le meilleur de lui-même.

— Estimer régulièrement le niveau des étudiants et leurs investissement pour les préparer au mieux à soutenir leurs projets

Ma thèse de doctorat est intitulée "Modélisation et conception d'objets connectés pour des maisons intelligentes afin de mieux gérer la consommation d'énergie". Ma recherche est donc divisée en deux parties. Dans la première partie, j'ai développé un prototype de collecte de différentes données dans une maison qui seront traitées par des algorithmes d'apprentissage automatique pour identifier les appareils ménagers. Ensuite, j'ai proposé un modèle de prédiction de la consommation d'énergie basé sur les algorithmes d'apprentissage profond afin qu'il puisse être utilisé dans la prise de décision dans un système couplant le secteur EDF et le système d'énergie renouvelable (panneau solaire). Ce système de couplage a été réalisé en Python.

- Développement et proposition d'une infrastructure pour la collecte de données dans une maison intelligente

- Réalisation d'un prototype de collecte de données à partir d'une plate-forme Raspberry pi3 + Domoticz + InfluxDB + Grafana

- Développement d'une technique basée sur le lissage des données en python pour améliorer les performances des algorithmes de Machine Learning (K-NN, Random Forest et MLP) dans la reconnaissance des appareils domestiques

- Développement d'une nouvelle technique permettant de compléter les données manquantes (STDAN) pour les séries chronologiques.

- Développement en python, à l'aide de la bibliothèque Keras, d'un modèle de prédiction de la consommation d'énergie à partir de valeurs antérieures (LSTM).

- Développement en python d'un Framework couplant un réseau électrique EDF et un système de panneaux solaires dans une maison intelligente.

- Assistant à l’enseignement, systèmes électroniques numériques et microprocesseurs, Elec3, Première année d'école d'ingénieur. Polytech-Nice.

- Encadrement de stagiaires en Licence 3 et Master 1.